蛋白质作为生命活动的主要承担者,其与化学分子的相互作用特性对潜在药物分子的发现和开发具有极大的意义。传统的药物开发手段依赖专家经验和大量的生化实验筛选,其巨大的成本对新药开发带来了极大的障碍,所以近年来利用计算手段和人工智能促进对潜在药物分子的筛选乃至生成得到了极大的关注,并有潜力对药物开发起到加速和降低成本的作用。作为最热门的生成式框架之一,变分自编码器（Variational Autoencoder,VAE）已知会受到后验失效现象的影响,即其隐空间变分分布会崩塌为先验分布,尤其是当解码器能力非常强的时候。在这个工作中,我分析了后验失效的变分自编码器生成的隐空间表示,并提出了一个新的变分自编码器的变种,NE-VAE,显式地约束编码器把输入空间中比较近的样本点编码到隐空间中较近的位置。可以观察到对于不同的VAE变种,即使给出了相似的ELBO,KL散度甚至互信息指标,同样可能产生行为上非常不同的隐空间组织。在实验中,NE-VAE可以产生与之前的模型产生的隐空间表示有质的不同,并保持绝大多数隐空间维度的活跃性,这可能对后续的下游任务有有利的影响。与相关工作相比,NE-VAE可以更好地防止后验失效的发生,并且可以很容易地嵌入到任何一个变分自编码器的框架中,同时不需要引入额外的模型部件和复杂的训练流程。除此之外,本工作对NE-VAE模型的隐空间优化性能做了一定测试,结果优于现有模型。同时使用NE-VAE方法生成的关系嵌入进行药靶亲和度预测性能显著优于现有工作。